Sprache zu Text, lokalLektion 1 von 4Probelektion, ohne Konto

Was ein Modell mit Ton tut

1Ziel

Du lernst, wovon die Fehlerrate einer Sprache laut Whisper-Paper abhängt.

Baustein Sprache zu Text Woran du es erkennst: Fehler zählt man als Wortfehlerrate; sie hängt stark von der Sprache ab.

Hilf mir

1Die Lösung mit Beleg
Über die Sprachen halbiert sich die Wortfehlerrate je 16-facher Datenmenge; OpenAI trainierte Whisper auf 680.000 Stunden Audio. Eine Zahl für Deutsch steht nicht im Text — wer es wissen will, misst an eigenen Mitschnitten.
- Laut Paper hängt die Fehlerrate einer Sprache stark von ihrer Trainingsmenge ab: über die Sprachen gilt r² = 0,83 zwischen dem Logarithmus der Wortfehlerrate und dem der Trainingsstunden, und die Wortfehlerrate halbiert sich je 16-facher Datenmenge.
  Stand 16.10.2026gemessenOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
- OpenAI trainierte Whisper auf 680.000 Stunden mehrsprachiger, schwach überwachter Audiodaten; das Paper heißt „Robust Speech Recognition via Large-Scale Weak Supervision“.
  Stand 16.10.2026belegtOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
- OpenAI schreibt im Whisper-Repository: „Whisper's performance varies widely depending on the language“ und verweist für die Werte je Sprache auf eine Grafik (large-v3 und large-v2 auf Common Voice 15 und Fleurs); eine Zahl für Deutsch steht nicht im Text.
  Stand 16.10.2026AnbieterangabeOpenAI · openai/whisper (README)

2Erklären

In der Anhörung lief ein Diktiergerät mit, jetzt liegt eine Stunde Ton auf dem Tisch. Ordne zuerst zu, welches Werkzeug oder welche Betriebsart für welchen Fall gedacht ist.

Dieser Kurs erklärt erst in einem Stil (Regel zuerst).

Hilf mir

1Die Lösung mit Beleg
Über die Sprachen halbiert sich die Wortfehlerrate je 16-facher Datenmenge; OpenAI trainierte Whisper auf 680.000 Stunden Audio. Eine Zahl für Deutsch steht nicht im Text — wer es wissen will, misst an eigenen Mitschnitten.
- Laut Paper hängt die Fehlerrate einer Sprache stark von ihrer Trainingsmenge ab: über die Sprachen gilt r² = 0,83 zwischen dem Logarithmus der Wortfehlerrate und dem der Trainingsstunden, und die Wortfehlerrate halbiert sich je 16-facher Datenmenge.
  Stand 16.10.2026gemessenOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
- OpenAI trainierte Whisper auf 680.000 Stunden mehrsprachiger, schwach überwachter Audiodaten; das Paper heißt „Robust Speech Recognition via Large-Scale Weak Supervision“.
  Stand 16.10.2026belegtOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
- OpenAI schreibt im Whisper-Repository: „Whisper's performance varies widely depending on the language“ und verweist für die Werte je Sprache auf eine Grafik (large-v3 und large-v2 auf Common Voice 15 und Fleurs); eine Zahl für Deutsch steht nicht im Text.
  Stand 16.10.2026AnbieterangabeOpenAI · openai/whisper (README)

3Mitmachen

Übung

Für welchen Fall gilt welches Werkzeug oder welche Betriebsart? Tipp die Paare an, die es im Netz als Kante gibt.

Whisper (OpenAI) Office-Assistent (Copilot, Gemini) Lokal / on-device Transparenzpflichten (Art. 50)

Mitschnitt zu Transkript (ohne Upload) Protokoll aus Stichpunkten Bescheid mit Personendaten zusammenfassen

Hilf mir

1Die Lösung mit Beleg
Über die Sprachen halbiert sich die Wortfehlerrate je 16-facher Datenmenge; OpenAI trainierte Whisper auf 680.000 Stunden Audio. Eine Zahl für Deutsch steht nicht im Text — wer es wissen will, misst an eigenen Mitschnitten.
- Laut Paper hängt die Fehlerrate einer Sprache stark von ihrer Trainingsmenge ab: über die Sprachen gilt r² = 0,83 zwischen dem Logarithmus der Wortfehlerrate und dem der Trainingsstunden, und die Wortfehlerrate halbiert sich je 16-facher Datenmenge.
  Stand 16.10.2026gemessenOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
- OpenAI trainierte Whisper auf 680.000 Stunden mehrsprachiger, schwach überwachter Audiodaten; das Paper heißt „Robust Speech Recognition via Large-Scale Weak Supervision“.
  Stand 16.10.2026belegtOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
- OpenAI schreibt im Whisper-Repository: „Whisper's performance varies widely depending on the language“ und verweist für die Werte je Sprache auf eine Grafik (large-v3 und large-v2 auf Common Voice 15 und Fleurs); eine Zahl für Deutsch steht nicht im Text.
  Stand 16.10.2026AnbieterangabeOpenAI · openai/whisper (README)

4Prüfen

Prüffrage

Wovon hängt die Fehlerrate einer Sprache laut Whisper-Paper stark ab?

Hilf mir

1Die Lösung mit Beleg
Über die Sprachen halbiert sich die Wortfehlerrate je 16-facher Datenmenge; OpenAI trainierte Whisper auf 680.000 Stunden Audio. Eine Zahl für Deutsch steht nicht im Text — wer es wissen will, misst an eigenen Mitschnitten.
- Laut Paper hängt die Fehlerrate einer Sprache stark von ihrer Trainingsmenge ab: über die Sprachen gilt r² = 0,83 zwischen dem Logarithmus der Wortfehlerrate und dem der Trainingsstunden, und die Wortfehlerrate halbiert sich je 16-facher Datenmenge.
  Stand 16.10.2026gemessenOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
- OpenAI trainierte Whisper auf 680.000 Stunden mehrsprachiger, schwach überwachter Audiodaten; das Paper heißt „Robust Speech Recognition via Large-Scale Weak Supervision“.
  Stand 16.10.2026belegtOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
- OpenAI schreibt im Whisper-Repository: „Whisper's performance varies widely depending on the language“ und verweist für die Werte je Sprache auf eine Grafik (large-v3 und large-v2 auf Common Voice 15 und Fleurs); eine Zahl für Deutsch steht nicht im Text.
  Stand 16.10.2026AnbieterangabeOpenAI · openai/whisper (README)

5Einordnen

Das passt so ins Modell: Das Modell schreibt nieder, was es hört — mit messbarer Fehlerquote.

Das Modell des Kurses Ein Spracherkennungsmodell macht aus Ton Text, das lokal ohne Upload laufen kann — das Protokoll daraus prüfst du, und Personendaten bleiben im Haus.

Hilf mir

1Die Lösung mit Beleg
Über die Sprachen halbiert sich die Wortfehlerrate je 16-facher Datenmenge; OpenAI trainierte Whisper auf 680.000 Stunden Audio. Eine Zahl für Deutsch steht nicht im Text — wer es wissen will, misst an eigenen Mitschnitten.
- Laut Paper hängt die Fehlerrate einer Sprache stark von ihrer Trainingsmenge ab: über die Sprachen gilt r² = 0,83 zwischen dem Logarithmus der Wortfehlerrate und dem der Trainingsstunden, und die Wortfehlerrate halbiert sich je 16-facher Datenmenge.
  Stand 16.10.2026gemessenOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
- OpenAI trainierte Whisper auf 680.000 Stunden mehrsprachiger, schwach überwachter Audiodaten; das Paper heißt „Robust Speech Recognition via Large-Scale Weak Supervision“.
  Stand 16.10.2026belegtOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
- OpenAI schreibt im Whisper-Repository: „Whisper's performance varies widely depending on the language“ und verweist für die Werte je Sprache auf eine Grafik (large-v3 und large-v2 auf Common Voice 15 und Fleurs); eine Zahl für Deutsch steht nicht im Text.
  Stand 16.10.2026AnbieterangabeOpenAI · openai/whisper (README)

Begriffe dieser Lektion

Sprache zu Text

Ein Spracherkennungsmodell schreibt gesprochene Sprache als Text nieder; die Fehlerquote misst man als Wortfehlerrate.

OpenAI trainierte Whisper auf 680.000 Stunden mehrsprachiger, schwach überwachter Audiodaten; das Paper heißt „Robust Speech Recognition via Large-Scale Weak Supervision“.
Stand 16.10.2026belegtOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
Laut Paper hängt die Fehlerrate einer Sprache stark von ihrer Trainingsmenge ab: über die Sprachen gilt r² = 0,83 zwischen dem Logarithmus der Wortfehlerrate und dem der Trainingsstunden, und die Wortfehlerrate halbiert sich je 16-facher Datenmenge.
Stand 16.10.2026gemessenOpenAI (Radford, Kim, Xu, Brockman, McLeavey, Sutskever) · Robust Speech Recognition via Large-Scale Weak Supervision
OpenAI schreibt im Whisper-Repository: „Whisper's performance varies widely depending on the language“ und verweist für die Werte je Sprache auf eine Grafik (large-v3 und large-v2 auf Common Voice 15 und Fleurs); eine Zahl für Deutsch steht nicht im Text.
Stand 16.10.2026AnbieterangabeOpenAI · openai/whisper (README)

Whisper (OpenAI)

Whisper ist OpenAIs offenes Spracherkennungsmodell; es läuft ohne Upload auf dem eigenen Rechner, etwa über whisper.cpp.

„Whisper's code and model weights are released under the MIT License.“
Stand 16.10.2026AnbieterangabeOpenAI · openai/whisper (README)
OpenAI nennt je Modell Parameter und benötigten Grafikspeicher: tiny 39 M (~1 GB), base 74 M (~1 GB), small 244 M (~2 GB), medium 769 M (~5 GB), large 1550 M (~10 GB), turbo 809 M (~6 GB).
Stand 16.10.2026AnbieterangabeOpenAI · openai/whisper (README)

3 weitere Aussagen

Das Modell turbo ist laut OpenAI „an optimized version of large-v3“ und „not trained for translation tasks“ — es gibt die Originalsprache zurück, auch wenn Übersetzen verlangt ist.
Stand 16.10.2026AnbieterangabeOpenAI · openai/whisper (README)
whisper.cpp ist ein „Port of OpenAI's Whisper model in C/C++“ unter MIT-Lizenz; Apple Silicon ist laut Projekt „first-class citizen“ (Metal, Core ML), dazu Linux, Windows, iOS, Android und WebAssembly.
Stand 16.10.2026belegtggml-org · ggml-org/whisper.cpp (README)
whisper.cpp nennt als Platz und Arbeitsspeicher: tiny 75 MiB / ~273 MB, base 142 MiB / ~388 MB, small 466 MiB / ~852 MB, medium 1,5 GiB / ~2,1 GB, large 2,9 GiB / ~3,9 GB.
Stand 16.10.2026belegtggml-org · ggml-org/whisper.cpp (README)

Token

Ein Token ist ein Textstück (oft ein Wortteil), in das ein Modell Text zerlegt; Kosten und Grenzen werden in Token gezählt.

Bei Anthropic entsprechen 1 Mio. Token mit dem aktuellen Tokenizer (eingeführt mit Claude Opus 4.7) etwa 555 000 Wörtern oder 2,5 Mio. Unicode-Zeichen; ältere Modelle fassten etwa 750 000 Wörter.
Stand 15.10.2026AnbieterangabeAnthropic · Models overview
Faustregel Deutsch: Deutsch braucht je Wort mehr Token als Englisch — gemessen 2,12 statt 1,39 Token je Wort (Llama 3.1 70B) und 1,62 statt 1,20 (Gemma 2 27B).
Stand 21.02.2025gemessenarXiv · Do Multilingual LLMs Think In English? (Schut, Gal, Farquhar)
Das Verhältnis Deutsch zu Englisch hängt vom Tokenizer ab; in derselben Messung lag es zwischen etwa 1,35 (Gemma 2: 1,62 zu 1,20) und 1,7 (Mixtral 8x22B: 2,25 zu 1,31) — Verhältnisse selbst aus den Tabellenwerten gerechnet.
Stand 21.02.2025gemessenarXiv · Do Multilingual LLMs Think In English? (Schut, Gal, Farquhar)